[論文レビュー] Learning Spatiotemporal-Aware Representation for POI Recommendation

Bei Liu, Tieyun Qian+4 more|arXiv (Cornell University)|Apr 28, 2017

Recommender Systems and Techniques参考文献 9被引用数 3

ひとこと要約

本稿では、時間と場所を統合された$<$time, location$>$ペアとして扱い、知識グラフ埋め込みフレームワーク内での翻訳ベクトルを用いてユーザー-POI関係をモデル化する、スパatiotemporal-aware (STA)表現モデルを提案する。この手法は、共有の意味的表現を翻訳ダイナミクスを通じて学習することにより、精度、データスパarsityに対するロバストネス、およびコールドスタートPOIの処理において、ベースラインを著しく上回る最先端の性能を達成する。

ABSTRACT

The wide spread of location-based social networks brings about a huge volume of user check-in data, which facilitates the recommendation of points of interest (POIs). Recent advances on distributed representation shed light on learning low dimensional dense vectors to alleviate the data sparsity problem. Current studies on representation learning for POI recommendation embed both users and POIs in a common latent space, and users' preference is inferred based on the distance/similarity between a user and a POI. Such an approach is not in accordance with the semantics of users and POIs as they are inherently different objects. In this paper, we present a novel spatiotemporal aware (STA) representation, which models the spatial and temporal information as \emph{a relationship connecting users and POIs}. Our model generalizes the recent advances in knowledge graph embedding. The basic idea is that the embedding of a $$ pair corresponds to a translation from embeddings of users to POIs. Since the POI embedding should be close to the user embedding plus the relationship vector, the recommendation can be performed by selecting the top-\emph{k} POIs similar to the translated POI, which are all of the same type of objects. We conduct extensive experiments on two real-world datasets. The results demonstrate that our STA model achieves the state-of-the-art performance in terms of high recommendation accuracy, robustness to data sparsity and effectiveness in handling cold start problem.

研究の動機と目的

• 既存のPOI推薦手法が、共有の潜在空間内でのユーザーとPOIを同等のエンティティとして扱うという限界を是正すること。
• 空間的要因や時間的要因を別々に用いる手法よりも、時間と場所の統合的影響をユーザーのチェックイン行動に効果的にモデル化すること。
• 共有のスパatiotemporal表現を学習することで、データスパarsityおよびコールドスタート状況下での推薦性能を向上させること。
• 統一された埋め込み空間内での翻訳ベクトルを通じて、ユーザーとPOI間の意味的関係を自然に捉える方法を開発すること。

提案手法

• モデルは、統合されたスパatiotemporalな文脈を$<$time, location$>$ペアとして表現し、ユーザー埋め込みからPOI埋め込みへの翻訳ベクトルとしてモデル化する。
• 知識グラフ埋め込み技術を一般化し、特に$\vec{u} + \vec{r}_{t,l} \approx \vec{v}$という翻訳メカニズムを用いる。ここで$\vec{r}_{t,l}$は時間と場所のための翻訳ベクトルを表す。
• 推薦は、翻訳されたユーザー埋め込みと候補POI埋め込みの類似度を計算し、類似度が最も高い上位-k個のPOIを選択することで実行する。
• モデルは、パーソナライズドPOI推薦のためのランク損失を最適化するために、ネガティブサンプリング戦略を用いてエンドツーエンドで訓練される。
• コールドスタートPOIを処理するための拡張版STA-Cが提案され、共有の$<$word, location$>$ペアを活用して翻訳ベクトルを推定する。
• 直接的なユーザー-POI距離計算を避ける代わりに、構造的な関係的知識を用いてユーザーの好みをモデル化する。

実験結果

リサーチクエスチョン

• RQ1 時間と場所を統合された$<$time, location$>$ペアとしてモデル化することで、時間要因または場所要因を別々に用いる場合と比較して、POI推薦の精度が向上するか。
• RQ2 ユーザーとPOIをスパatiotemporal関係を通じて結ぶ翻訳ベースの埋め込みメカニズムは、通常のユーザー-POI類似度手法よりも、スパースデータ環境下で優れた性能を示すか。
• RQ3 提案されたSTAモデルは、POI推薦におけるデータスパarsity問題をどの程度軽減できるか。
• RQ4 既存のベースラインと比較して、STAモデルはコールドスタートPOIの処理においてどの程度効果的か。
• RQ5 モデルの翻訳構造は、多様な実世界のLBSNデータセットにわたって良好に一般化できるか。

主な発見

• Foursquareデータセットでは、学習データを20%削減した場合、GEベースライン比でaccuracy@1が20.00%向上し、データスパarsityに対する優れたロバストネスを示している。
• Gowallaでは、同じ20%のデータ削減条件下で、GEベースラインと比較して精度低下を15.73%低減しており、これも同様にロバストネスを裏付けている。
• データスパarsity下で、Foursquareでは精度劣化を20.00%、Gowallaでは15.73%低減した。一方、GEベースラインはそれぞれ31.69%および18.91%の低下を示しており、STAが優れていることを裏付けている。
• コールドスタートPOI推薦において、STA-CはFoursquareでGEを一貫して上回り、共有の$<$word, location$>$ペアを活用して翻訳ベクトル推定が可能なため、顕著な差を示している。
• チェックイン記録が限られた状況下でも、モデルの性能は安定的かつ優れていることが示され、コールドスタートシナリオの処理における有効性を示している。
• アブレーションスタディにより、時間と場所を単一の関係的エンティティとして統合的にモデル化することが、モデル性能にとって不可欠であることが確認された。別々に扱うのとは対照的である。